无房颤个体中可穿戴设备衍生心电图年龄及左心房重构的昼夜模式

《Heart Rhythm》：Day–Night Patterns of Wearable-Derived Electrocardiographic Age and Left Atrial Remodeling in Atrial Fibrillation–Na?ve Individuals

　　

结构化摘要

背景

人工智能心电图（AI-ECG）年龄传统上被视为一种静态标志物。在无心房颤动（AF）人群中，其昼夜动态变化及其结构相关因素尚不清楚。

目的

描述AI-ECG年龄的昼夜模式、其可重复性以及与左心房（LA）重构的关联。

方法

我们分析了来自两个前瞻性登记研究（NCT05119725，NCT05355948）的连续可穿戴心电图。在499名无心房颤动史且记录时间≥48小时的参与者中，每10分钟估计一次AI-ECG年龄。通过无监督聚类识别昼夜轨迹，并用昼夜差异（ΔAge）将其总结为修复型（>0.6年）或紊乱型（≤0.6年）表型。可重复性通过连续时间段进行评估。年龄和性别校正后的二分类和连续型ΔAge与左心房容积指数（LAVI）的关联在一个横断面超声心动图亚组研究中进行了汇总（n=122）。

结果

在两个登记研究中均出现了三种轨迹。修复型的患病率为47.6%–50.2%。两个连续48小时期间的符合率为75.8%（κ = 0.516；95% CI，0.395–0.631）；6至8天的组内相关系数为0.51–0.54。紊乱型表型与较高的LAVI（汇总平均差值，5.54 mL/m²；95% CI，1.11–9.98；P = .014）和较高的LA扩大（LAVI ≥40 mL/m²）几率（汇总优势比，3.68；95% CI，1.45–9.29；P = .006）相关。ΔAge每增加1个标准差，LAVI较低（β，?2.89 mL/m²；P = .007），且LA扩大的可能性较小（优势比，0.53；P = .004）。

结论

可穿戴设备得出的AI-ECG年龄显示出可重复的昼夜模式。紊乱型表型与不良的LA重构相关。由于目前的可重复性对于个体水平的分类仍显不足，需要进行基于前瞻性结局的验证。

引言

生理性衰老是心血管疾病和新发心房颤动（AF）的基本驱动因素。 1, 2 人工智能（AI）使得能够量化这一生物过程，即通过“心电图年龄”（AI-ECG age）——一种预测死亡率和心血管结局的电生理健康数字生物标志物。 3, 4, 5, 6, 7, 8 虽然AI-ECG年龄传统上依赖于静态的、基于医院的12导联心电图，但近期的进展已将该指标应用到了动态监测中。我们最近开发并验证了PROPHECG-Age Single模型，该模型可从连续的单导联可穿戴心电图中估算AI-ECG年龄。 ⁹ 这一重复测量框架将AI-ECG年龄从间断的快照转变为一个动态的生理表型，从而能够在自由生活条件下实现高分辨率的昼夜跟踪。

心血管生理本质上是由昼夜节律生物学调节的。 10, 11, 12 血压下降和心率变异（HRV）中已确立的昼夜模式与心血管预后有一致的关联。具体而言，HRV降低与风险增加14%至40%（每增加一个标准差）相关， 13, 14 而血压下降幅度减弱则与风险增加高达四倍相关（具体取决于人群）。 15, 16 最近的证据还强调了AF发作和负荷在不同时间段内的独特模式，这与昼夜节律对结构和电易感性的影响一致。 17, 18 尽管存在这些已知节律，但AI-ECG年龄历来被视为一种固定性状。目前尚不清楚这种基于波形的电生理衰老标志物是否表现出可重复的昼夜变化，以及破坏这种自然模式是否反映了潜在的结构性心脏病。

为弥补这一空白，我们分析了两个独立前瞻性登记研究（S-Patch和Memo Patch）中无心房颤动史个体的连续单导联可穿戴心电图。因为据我们所知，AI-ECG年龄的昼夜行为尚未得到先前的特征描述，我们首先应用无监督机器学习来识别昼夜轨迹模式，而不预先指定其形状。然后，我们将这些数据驱动的模式转化为临床上可解释的二分类表型，评估其在连续几天内的时间可重复性，并检查其与不良心脏重构的关联，后者由左心房容积指数（LAVI）量化（图 1）。

章节片段

研究设计与伦理监督

这项次要观察性分析使用了两个已注册的前瞻性多中心研究的数据，并遵循《赫尔辛基宣言》进行。S-Patch登记研究获得了相关机构审查委员会的批准（IRB No. 1-2021-0002；ClinicalTrials.gov 标识符 NCT05119725；于2021年11月注册），Memo Patch登记研究则分别获得了批准（IRB No. 1-2022-0008；ClinicalTrials.gov 标识符 NCT05355948；于2022年5月注册）。所有参与者均提供了

基线特征与队列异质性

主要分析人群包括来自两个独立队列的499名参与者，其临床特征各不相同（表 1）。与S-Patch参与者（n=286）相比，Memo Patch参与者（n=213）年龄更大，女性比例更高，CHA₂DS₂-VASc评分更高（所有 P < .001）。尽管其自然年龄较大，但Memo Patch参与者的平均AI预测ECG年龄相似，导致其比S-Patch具有更负的静态AI-ECG年龄差值（?7.48对?3.77年；P < .001）。

讨论

我们发现，可穿戴设备得出的AI-ECG年龄在一天内会有变化，并显示出可重复的昼夜模式。在两个独立的可穿戴登记研究中，无监督分析确定了三种轨迹模式——年轻化型、升高型和不规则型——并使用ΔAge将其总结为修复型或紊乱型表型。该二分类表型在连续监测期间显示出中等可重复性，且紊乱型表型与不良LA重构相关，这超出了

局限性

本研究有几个局限性。首先，观察性横断面设计无法推断因果关系。此外，结构分析依赖于一个机会性临床超声心动图亚组（n=122）。虽然LAVI是一个稳健的结构标志物，但它仅代表心房心肌病的一个维度 29, 37；我们的登记数据缺乏其他相关描述指标，如LA应变、P波形态指数、舒张功能和瓣膜疾病；两个登记均未记录睡眠

结论

可穿戴设备得出的AI-ECG年龄显示出可重复的昼夜模式。在两个独立登记中，紊乱型表型与较高的LAVI和较高的LA扩大几率相关，从而将AI-ECG年龄从静态快照扩展为一种时间分辨测量。现在需要进行前瞻性、基于结局的研究，以确定纵向ΔAge监测能否改善心血管风险分层和疾病管理。

声明

作者贡献

S.H.P.和S.C.Y.共同构思并领导了该研究。S.H.P.作为主要作者，开发了分析框架，实施了AI模型管道，执行了所有主要统计分析，并起草了手稿（包括表格和图表）。S.C.Y.指导了整体研究，制定了统计分析计划，并提供了关键的科学监督。B.J.作为共同指导教授，设计和指导了前瞻性队列登记研究，促进了

致谢

我们感谢星礼医院提供宝贵的心电数据，使本研究成为可能。S.H.P.感谢延世大学医学院 MSTP奖学金的支持。我们也感谢Joung Daeun的支持。

Seung Hyun Park|Juhyun Jin|Jongwoo Kim|Dongha Lee|Daein Kim|Jaeseong Jang|Hee Tae Yu|Seng Chan You|Boyoung Joung

韩国，首尔，延世大学医学院